МАШИННОЕ ОБУЧЕНИЕ
Ускорьте рост с помощью внутреннего машинного обучения
Как создать инструмент, полезный для конверсий
Приложения машинного обучения оказали большое влияние на несколько отраслей. Изучение и практика машинного обучения привели к нескольким открытиям и инновациям, которые оказали глубокое влияние на многие сообщества. Практики постоянно создают приложения для всех отраслей, некоторые из них включают инструменты для государственных целей, медицинских исследований и разработок и торговли. Каждый хочет использовать его в своих интересах, будь то финансовые учреждения, оценивающие уровни риска, или технологические компании, создающие креативные продукты, адаптированные для своих пользователей.
Сегодня нас постоянно бомбардируют рекламой, продвигающей использование искусственного интеллекта для лучшего обслуживания потребителей. Мы всегда нацелены на рекомендательные системы, которые найдут музыку, которая нам нравится, и сейчас почти нормально общаться с ботами обслуживания клиентов, чтобы решить наши проблемы. Команды специалистов по данным постоянно работают над поиском новых данных для разработки и улучшения моделей.
В вашей организации не только ваши внешние клиенты могут извлечь выгоду из продуктов для обработки и анализа данных, но и ваши внутренние клиенты. Существует много возможностей для реализации простых и эффективных моделей, которые будут иметь большое значение для пользователей. Очень важно иметь инструменты, которые будут использовать всю информацию из данных, которые вы храните, таким образом, чтобы это было полезно для всей вашей организации, это может даже помочь ускорить достижение ваших целей.
Проблема, которая встречается чаще, чем вы думаете
Для стартапов, которые все еще оттачивают свои циклы продаж и имеют дело с большим притоком лидов, определение того, какие лиды имеют наибольший потенциал, может оказаться сложной задачей. Увеличение расходов на маркетинг принесет больше потенциальных клиентов, а вместе с этим появится больше мусора, с которым нужно разобраться. У вашего стартапа может быть небольшая команда по продажам, и он может обработать только определенное количество потенциальных клиентов в день, и, кроме того, вы хотите как можно быстрее перенаправить клиентов, чтобы сократить время до денежного потока. Заставлять людей сортировать эти списки неэффективно, затраты на оплату труда увеличиваются, а время можно продуктивно потратить в другом месте. Машины могут выполнять эти задачи проще, быстрее и умнее.
Начните давать лидам оценку
Вероятно, мне не нужно объяснять, что такое модель оценки потенциальных клиентов… но для тех, кому может понадобиться объяснение, это просто возможность присвоить некоторый тип ценности для количественной оценки потенциала потенциальных клиентов. перспектива. Во многих организациях уже есть способы, которыми они практикуют это, будь то быстро и грязно или что-то гораздо более сложное. Мы уже склонны делать это в наших головах, люди все время ранжируют вещи! Если ваша система не использует возможности машинного обучения, я настоятельно рекомендую начать экспериментировать с ним в вашем цикле продаж.
Счет должен быть простым, чтобы его мог проглотить любой. В конце концов, люди, которые будут действовать в соответствии с этим, должны легко понять, является ли оно абсолютным или относительным. Результат должен давать пользователю возможность расставлять приоритеты в списке лидов, ежедневно отслеживать изменения в баллах и интуитивно распознавать закономерности в когортах, чтобы они были более информированы, когда сталкиваются с новыми лидами с аналогичными баллами в предыдущих когортах.
Сравнение подходов к оценке потенциальных клиентов
Определенно есть много способов, которыми вы можете получить преимущество, но ради темы нам нужно сосредоточиться только на двух подходах для сравнения.
Простой подход
Существует простой и действенный способ подсчета потенциальных клиентов, который включает в себя некоторые базовые знания и анализ предметной области. В зависимости от того, что важно в вашей области, вы можете начать с перечисления наиболее важных действий, которые побуждает ваш продукт. Во-первых, посмотрите на свои лиды, которые конвертировались, и проведите анализ, чтобы понять действия, которые сосредоточены вокруг функций вашего продукта, чтобы установить их важность. Оттуда вы можете разработать пороги на основе наиболее важных действий. Вы можете обнаружить, что 95% потенциальных клиентов, совершивших определенные действия, конвертируются значительно быстрее, чем те, которые этого не сделали. Это ценная информация, и ее легко дополнить, включив действия, которые вам важны. Оттуда вы можете использовать полученную информацию, чтобы начать ранжировать своих лидов. Это дает некоторые преимущества:
- Вы можете контролировать входные данные, что создает целенаправленные темы для разговора с вашими потенциальными клиентами, вокруг которых могут быть сосредоточены разговоры.
- Для этого требуется простой анализ, который можно выполнить быстро, что позволит вам быстрее начать экспериментировать.
- Вы можете развить понимание того, на чем вы должны сосредоточиться, чтобы ваши лиды делали, и продвигать то, что, как вы знаете, является успешным.
Хотя этот подход может работать, это не лучший способ сделать это. На самом деле, делая это, вы, вероятно, включаете уровень предвзятости выживания. Это может развить туннельное зрение, поскольку вы можете сосредоточиться на том, чтобы положить все яйца в одну корзину. Другая проблема с этим подходом заключается в том, что он довольно недальновиден в мышлении; Предположение, что все или небольшое количество действий важны и ведут к конверсии, является ошибочным мышлением. Глядя на то, что работает, и не понимая, что не работает, это не приведет к каким-либо долгосрочным улучшениям. Ваш продукт также может постоянно меняться, поэтому его обслуживание утомительно. Вместо того, чтобы говорить о проблемах, давайте просто сосредоточимся на лучшей альтернативе.
Подход Cool Kids
Если ваш бизнес генерирует большое количество лидов, это отлично сработает! Если ваш бизнес генерирует меньше лидов, вам понадобится много исторических данных, чтобы заставить это работать. Это по-прежнему будет возможно сделать, но вы можете столкнуться с проблемой устаревших данных, которые не будут четким представлением ваших текущих клиентов. Создание модели машинного обучения для ранжирования потенциальных клиентов принесет вам большую пользу; это даст более точное и свежее представление о том, что работает для вашего продукта, и в целом лучше уловит шаблоны. Модель поймет, что работает, а что нет, и в зависимости от типа модели, которую вы используете (если это не черный ящик), вы также можете получить интерпретируемость при общении с заинтересованными сторонами.
Для этого сначала важно определить все точки соприкосновения, с которыми будут иметь дело ваши потенциальные клиенты. Это включает, но не ограничивается: использованием функций, сообщениями службы поддержки клиентов, маркетингом по электронной почте и точками взаимодействия с продажами. Самое главное — это использование вашей функции, так как это лучший показатель взаимодействия между вашим клиентом и продуктом. Если вы не отслеживаете пути или действия вашего клиента, то вы действительно должны это делать. Преимущества оценки лидов с помощью модели машинного обучения намного перевешивают любые причины не делать этого. Вот некоторые из этих преимуществ:
- Может лучше идентифицировать потенциальных клиентов с более точными оценками
- Можно обучать по скользящему окну, чтобы оно всегда отображало то, что в данный момент работает/не работает.
- Модель может производить оценки, которые упрощают ее усвоение и расстановку приоритетов.
- Можно определить важность функции, модель можно интерпретировать в зависимости от того, какую из них вы выберете.
- Может использоваться в качестве корня для более мощных приложений, которые могут быстрее привести к новым клиентам.
Модель, которую вы строите, скорее всего, является моделью контролируемой классификации. Входными данными должны быть все точки соприкосновения с клиентом. Вы можете сделать гораздо больше, но это только основа, которую вы хотите создать. В зависимости от выбранной модели вы можете извлечь вероятности для прогнозов. Если нет, вы все равно можете предсказать конверсию, но будет сложнее расставить приоритеты для лидов. Отсюда можно сделать гораздо больше, от интерпретируемости и важности функций до создания автоматизированных рабочих процессов для ускорения преобразования.
Старайтесь быть учителем (даже если у вас это плохо получается), это важно в долгосрочной перспективе
Есть две основные проблемы при построении модели, которая будет учитывать ваши лиды. Поскольку на выходе вашей модели будут работать реальные люди, это может создать потенциальные (и естественные) проблемы. Первое, что нужно знать, это то, что вы не хотите искусственно увеличивать свои баллы. Если вы понимаете, что движет иглами, люди могут стремиться только к этому, и не получится ли искусственно увеличить баллы. Важно отметить, что оценка — это только представление того, что работает, и человек может не знать, как именно работает модель. Если они плохо разбираются в статистике, им может быть трудно объяснить опасность предположения о причинно-следственной связи. Оценка не является KPI, она не предназначена для преднамеренного увеличения в игровой форме.
Второй серьезной проблемой является опасность петли обратной связи. Есть большая вероятность того, что ваши обучающие данные могут иметь небольшое отставание (они могут не включать потенциальных клиентов за текущий месяц), но они по-прежнему хорошо отражают то, что работало в недавнем прошлом. Когда вы передаете эти оценки своей команде, и они идут и воздействуют на эти оценки, в следующий раз, когда вы будете обучать свою модель, эти новые наблюдения будут включены в ваши обучающие данные. Отсюда легко застрять в петле обратной связи и приписывать успех только тому, что вы начали заявлять об успехе. Чтобы бороться с этим, важно обучить вашу команду реализации стратегии исследования и эксплуатации. Для людей естественно стремиться к легким победам, было бы намного проще конвертировать 95% лидов, чем 35% лидов. Это не означает, что лидирование с меньшим количеством очков — это плохо, и ваша команда все равно должна действовать на них, чтобы они могли попытаться одержать победу; это также принесет пользу модели в долгосрочной перспективе. Если вы не позволяете модели учиться, вы еще больше застреваете в петле обратной связи. Ваша команда должна использовать потенциальных клиентов с более высокой конверсией, когда они находятся в критической ситуации, а когда у них есть больше свободного времени и возможности для этого, они должны исследовать лиды с более низкими баллами.
Здоровый объем работы будет иметь большое значение
Поскольку идея подсчета лидов так тесно связана с конверсией, может показаться сложным и пугающим делать что-то подобное. Важно проверить это и убедиться, что ваши входные данные, показатели оценки и методологии точны и приемлемы. Это не готовое решение, так как оно требует участия, помимо создания модели. Каждый раз, когда вы обучаете модель, вы можете заметить фазу адаптации тех, кто ее использует. Как модель может устанавливать связи, так и люди. Люди привыкнут распознавать закономерности, связанные с оценками, и начнут делать из этого выводы, поэтому, когда вы переобучаете модель и корректируете оценки, то, что когда-то было закономерностями, которые можно было связать, теперь меняется. То, что работало вчера, может не работать сегодня, и модель уловит это быстрее, чем люди!
Создание этой базовой модели прокладывает путь для более успешных приложений, которые могут работать вместе. Если вы знаете, что работает, вы создали возможность для автоматизации. Если ваши лиды только что увеличились с 30% до 90% за одну ночь, почему бы не отправить им рекламную акцию прямо с утра?
